Probabilistic forecasting of the equity risk premium using quantile machine learning
Master thesis
Permanent lenke
https://hdl.handle.net/11250/3023745Utgivelsesdato
2022Metadata
Vis full innførselSamlinger
Sammendrag
Vi predikerer sannsynlighetsfordelingen til risikopremien i aksjemarkedet (ERP) ved hjelp av de trebaserte maskinlæringsalgoritmene quantile random forest (QRF) og quantile gradient boosting (QGB). For å trene algoritmene brukes et velkjent og etablert datasett fra litteraturen. I tillegg til å predikere den månedlige risikopremien, predikerer vi fremtidig ett- og femårs gjennomsnittlig månedlig risikopremie. For å evaluere modellene sammenlignes de med to referansemodeller, en historisk modell og en regularisert kvantilregresjonsmodell.
Ved predikering av månedlig og ettårs risikopremie oppnår verken QRF eller QGB bedre punktestimater enn referansemodellene. Likevel oppnår modellene gode resultater for predikering av sannsynlighetsfordelingen til risikopremien. Tester for statistisk signifikans viser imidlertid at modellenes prediksjoner ikke er signifikant bedre enn referansemodellene. Ved predikering av femårs gjennomsnittlig månedlig risikopremie predikerer både QRF og QGB betydelig bedre enn referansemodellene, både for punktestimater og for prediksjonsintervallene, særlig opp til 60\%-intervallet. Vi fastslår dermed at maskinlæringsmodellene er verdifulle for predikering av punktestimater og sannsynlighetsfordelingen til den langsiktige risikopremien.
I tillegg evalueres enkeltvariablenes evne til å predikere ERP, og resultatene indikerer at noen variabler er viktigere enn andre. Variabelen produksjonsgap (ogap) skiller seg ut som spesielt nyttig i predikering av langsiktig femårs gjennomsnittlig risikopremie, for både QRF og QGB. We evaluate the tree-based machine learning algorithms quantile regression forest (QRF) and quantile gradient boosting (QGB) in the out-of-sample probabilistic forecasting of the equity risk premium (ERP), conditioned on an established set of predictive variables. We predict both the monthly ERP and its long-term level, i.e. its next 1-year and 5-year monthly average. To assess their performances, we compare the models against two selected benchmark models, historical unconditional quantiles and lasso quantile regression. For the 1-month and 1-year point estimates, the models struggle to outperform the benchmark models. On the other hand, QRF and QGB perform well in producing probabilistic forecasts, but they are not significantly better in comparison to the benchmark models. For the 5-year predictions, both QRF and QGB perform significantly better than the benchmark models when predicting both point estimates and all the prediction intervals up to the 60\% interval. Thus, we find these models to be valuable for predicting the long-term level of the ERP. The evaluation of feature importance indicates that some of the variables are more important than others. For the 5-year ERP prediction, QRF and QGB show the output gap to be particularly useful.